CN108596077A - 高光谱图像自适应光谱聚焦波段选择方法 - Google Patents
高光谱图像自适应光谱聚焦波段选择方法 Download PDFInfo
- Publication number
- CN108596077A CN108596077A CN201810359008.5A CN201810359008A CN108596077A CN 108596077 A CN108596077 A CN 108596077A CN 201810359008 A CN201810359008 A CN 201810359008A CN 108596077 A CN108596077 A CN 108596077A
- Authority
- CN
- China
- Prior art keywords
- band
- spectrum
- wave
- adaptive
- selection
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2134—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Spectrometry And Color Measurement (AREA)
Abstract
本发明公开了一种高光谱图像自适应光谱聚焦波段选择方法,首先分别利用三种波段选择算法对地物的整个光谱域高光谱原始数据进行处理,将每种算法的结果按从大到小顺序分别排列,选出前N个波段作为最佳波段组合;之后利用独立成分分析(ICA)波段评价函数分别对三种波段选择算法选出的最佳波段组合进行评估,设定J阈值,求出它们的评价结果,选择结果最大的波段组合作为最优波段组合。本发明利用自适应光谱聚焦技术,光谱仪成像时可实现波段的自动波长选择,使控制成像系统中的可调谐滤光组件自适应调谐到最有利于探测和识别的若干个光谱通道,实现光谱自适应探测,剔除冗余与杂乱光谱信息,提高光谱成像信息利用效率,降低信息处理的资源需求。
Description
技术领域
本发明属于图像处理技术领域,尤其是涉及一种高光谱图像自适应光谱聚焦波段选择方法。
背景技术
近30年来,随着高光谱遥感技术和成像光谱仪的发展,高光谱成像技术在卫星和机载遥感领域有着成功的应用。但是由于高光谱图像数据维数高、数据量大、波段间数据冗余性大,会出现Hughes现象,即在样本点数目一定的前提下,随着特征维数的增加分类精度会“先增后降”,这是影响分类精度的一个重要因素。所以如何抑制Hughes现象的出现成为高光谱数据处理的重要内容,这就需要研究如何在样本有限的前提下减少波段间的冗余信息。
针对以上问题,发明人研究了自适应光谱聚焦技术。利用自适应光谱聚焦技术,光谱仪成像时可以实现波段的自动波长选择,使控制成像系统中的可调谐滤光组件自适应调谐到最有利于探测和识别的若干个光谱通道,实现光谱自适应探测,剔除冗余与杂乱光谱信息,提高光谱成像信息利用效率,降低信息处理的资源需求。此技术一方面有助于提高系统的实时性好小型化,这对于弹载、机载等高实时性、无人参与的应用具有十分重要意义;另一方面由于有效压缩了光谱维数,其形成的光谱图像数据有利于高光谱分类精度提高[4]可以实现对目标的有效检测。
自适应光谱聚焦技术中主要研究最佳波段选择,它保留了原始数据的物理意义便于图像的探测和解译。光谱聚焦技术是波段选择的一种特殊应用。波段评价函数是对波段选择结果进行的评估,评价其选择波段的精确度。波段评价函数也是光谱聚焦的有效方法。
发明内容
有鉴于此,本发明的目的是针对现有技术的不足,提供一种高光谱图像自适应光谱聚焦波段选择方法,利用自适应光谱聚焦技术,光谱仪成像时可以实现波段的自动波长选择,使控制成像系统中的可调谐滤光组件自适应调谐到最有利于探测和识别的若干个光谱通道,实现光谱自适应探测,剔除冗余与杂乱光谱信息,提高光谱成像信息利用效率,降低信息处理的资源需求。
为达到上述目的,本发明采用以下技术方案:
高光谱图像自适应光谱聚焦波段选择方法,包括如下步骤:
S1、在光谱仪聚焦成像之前,分别利用三种波段选择算法对地物的整个光谱域高光谱原始数据进行处理,将每种算法的结果按从大到小顺序分别排列,设定波段选择个数N,选出前N个波段作为最佳波段组合,其中所述三种波段选择算法包括基于信息量的自适应波段选择法、基于空间维类间可分性的离散度算法和基于光谱维的类间可分性的光谱角制图(SAM)算法;
S2、利用独立成分分析(ICA)波段评价函数分别对三种波段选择算法选出的最佳波段组合进行评估,设定J阈值,求出它们的评价结果,选择结果最大的波段组合作为最优波段组合,其中,所述独立成分分析(ICA)波段评价函数首先利用FastICA算法求出通过所述三种波段选择算法选出的最佳波段组合的独立成分矩阵以实现目标信息与复杂背景信息的分离,然后采用HOS-ICA算法对独立成分排序,计算各个独立成分的J值,设定J阈值,计算独立成分中J满足阈值的数目占总数的百分比,百分比越大,说明目标信息越多,波段选择越精确最后用光谱仪聚焦到最优波段光谱通道成像。
进一步地,在步骤S1中,所述自适应波段选择法结合了波段间的光谱相关性和空间相关性,并构造了相应的数学模型如下:
其中:σi为第i个波段的标准差;E{}为数学期望;Ri-1,i和Ri,i+1是第i个波段与前后两波段的相关系数,相关系数越小,表明两个波段数据之间的独立性越高、冗余度也越小;Ii是第i幅图像的指数大小;M、N分别是图像的行、列像素数,fi(x,y)是第i幅图像,是第i幅图像的像素平均值;
根据以上公式求出各个波段指数,然后对各个波段指数进行由大到小的排列,选出前N个波段作为采用所述自适应波段选择法得到的最佳波段组合。
进一步地,在步骤S1中,所述离散度算法的公式为:
其中:μi,μj分别为地物类i与地物类j对应的样本区的光谱均值矢量,∑i,∑j分别类i,j在任意两波段上的协方差矩阵,tr[C]为矩阵C对角线的元素和;
通过计算两类对在任意两个波段组合上的离散度距离,按从大到小顺序排列,取前N个波段组合作为采用所述离散度算法得到的最佳波段组合。
进一步地,在步骤S1中,所述光谱角制图(SAM)算法的公式为:
其中,xi和xj为两类地物i和j光谱矢量,α为光谱夹角,光谱夹角α越大,说明两个类别间相似性越小,可分性越好,计算两类地物在任意两个波段组合上的光谱角度值并按从大到小顺序排序,取前N个波段组合作为该两类地物采用光谱角制图(SAM)算法得到的最佳波段组合。
FastICA算法思想:设高光谱图像用矩阵X=[x1,x2,L,xm]表示,其中xi(1≥i≥m)代表第i条像元光谱,是一个L维列向量,L为波段数;假定它们是由n个具有零均值且相互统计独立的分量S=(s1,s2,L sn)T线性组合而成;可以用矩阵形式表示为:X=AS,m≥n,其中A为未知的m×n维列满秩混合矩阵;可利用X寻找变换矩阵W,进而求得独立成分S和混合矩阵A;
进一步地,在步骤S2中,所述FastICA算法包括如下步骤:
(1)高光谱图像用矩阵X去均值和白化,得其中V是由高光谱图像样本协方差阵∑x的特征值构成的对角阵,U为对应特征向量组成的正交阵,
(2)k=0,选择任意L阶正交矩阵作为W0;
(3)k=k+1,对于i∈{1,2,L,L},可得:
wi(k)=E{zg(wi(k-1)Tz)}-E{g′(wi(k-1)Tz)}wi(k-1)
其中g(t)=te-i/2,g'(·)是g(·)的导数,Wk=[w1(k),w2(k),L wL(k)];
(4)Wk正交化特征分解:则满足I是单位阵;
(5)给定阈值ε(设定为10-6),若满足:
其中返回步骤(3);否则计算S即是最终求得的独立成分;
本发明用FastICA算法计算独立成分,每次从观测信号中分离出一个独立分量直至所有的独立分量被分离出来。它是一种基于定点的迭代的算法,它有使用简单、稳定性好和收敛速度快的优点。
HOS-ICA算法是基于高阶统计特性的独立成分排序的算法,其思想是把每个独立成分看出一个随机变量,计算偏度和峰度的组合统计量,其值越大,该成分的数据分布和高斯分布的偏离就越大,含有目标信息就越多;
进一步地,在步骤S2中,所述HOS-ICA算法如下:
对每一幅独立成分图像si,i∈{1,2,L,L},计算
其中是像元n在si的分量,按照J(si)的大小对独立成分降序排列。
本发明的有益效果是:
本发明针对高光谱图像数据维数高、数据量大、波段间数据冗余性大,会出现Hughes现象,即在样本点数目一定的前提下,随着特征维数的增加分类精度会“先增后降”的问题,提供一种高光谱图像自适应光谱聚焦波段选择方法,首先,在光谱仪聚焦成像之前,分别利用三种波段选择算法对地物的整个光谱域高光谱原始数据进行处理,将每种算法的结果按从大到小顺序分别排列,设定波段选择个数N,选出前N个波段作为最佳波段组合,其中所述三种波段选择算法包括基于信息量的自适应波段选择法、基于空间维类间可分性的离散度算法和基于光谱维的类间可分性的光谱角制图(SAM)算法;之后利用独立成分分析(ICA)波段评价函数分别对三种波段选择算法选出的最佳波段组合进行评估,设定J阈值,求出它们的评价结果,选择结果最大的波段组合作为最优波段组合,其中,所述独立成分分析(ICA)波段评价函数首先利用FastICA算法求出通过所述三种波段选择算法选出的最佳波段组合的独立成分矩阵以实现目标信息与复杂背景信息的分离,然后采用HOS-ICA算法对独立成分排序,计算各个独立成分的J值,设定J阈值,计算独立成分中J满足阈值的数目占总数的百分比,百分比越大,说明目标信息越多,波段选择越精确最后用光谱仪聚焦到最优波段光谱通道成像。
选择最佳波段选择的原则有三点:一是所选择的波段信息量应最大;二是波段数据间的相关性要小;三是研究区内欲识别地物的光谱响应特点能使某些类别地物之间最容易区分。那些信息含量多、相关性小、地物光谱差异大、可分性好的波段就是应该选择的最佳波段。由于针于同一种地物不同的波段选择方法效果不同而同一种算法对不同的地物波段选择效果也不同,本课题从波段的信息量、类对间的可分性出发,选取三种算法作为最佳波段选择方法。其中,基于信息量的自适应波段选择法是依据所选择波段信息量大,所选波段与其他波段之间的相关性小的原则提出的一种新的光谱降维方法,该方法充分结合了波段间的光谱相关性和空间相关性;而基于空间维类间可分性的离散度算法与基于类间可分性的B距离算法相比具有计算速度更快、选出的波段在合成图像的目视解译效果上更好的优点;而基于光谱维的类间可分性的光谱角制图(SAM)算法可选出地物类别间最易区分的组合波段,与光谱的混合距离法相比,此方法的效果要好,与光谱相关系数相比,此方法虽然效果稍差一些,但是计算量小,计算速度快。
本发明利用自适应光谱聚焦技术,光谱仪成像时可以实现波段的自动波长选择,使控制成像系统中的可调谐滤光组件自适应调谐到最有利于探测和识别的若干个光谱通道,实现光谱自适应探测,剔除冗余与杂乱光谱信息,提高光谱成像信息利用效率,降低信息处理的资源需求。此技术一方面有助于提高系统的实时性好小型化,这对于弹载、机载等高实时性、无人参与的应用具有十分重要意义;另一方面由于有效压缩了光谱维数,其形成的光谱图像数据有利于高光谱分类精度提高可以实现对目标的有效检测。
其中,自适应光谱聚焦技术中主要研究最佳波段选择,它保留了原始数据的物理意义便于图像的探测和解译。光谱聚焦技术是波段选择的一种特殊应用。波段评价函数是对波段选择结果进行的评估,评价其选择波段的精确度。波段评价函数也是光谱聚焦的有效方法。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
图1为本发明的流程图;
图2为本发明案例中的原始高光谱图像;
图3为本发明案例中的目标分布图;
图4为本发明案例中的地面真实图像;
图5为本发明案例中的高光谱图像中十种地物的连续光谱曲线;
图6为本发明案例中采用自适应波段选择法得到的最佳波段聚焦成的像;
图7为本发明案例中采用离散度算法得到的最佳波段聚焦成的像;
图8为本发明案例中采用光谱角制图(SAM)算法得到的最佳波段聚焦成的像。
具体实施方式
下面详细描述本发明的实施方式,所述实施方式的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。应该理解,为了使得技术方案更加明确,这里使用的“前、后、左、右、上、下”等表示方位的用语均为相对于图1的方位名词,不因视图的转换变换方位表述方式。
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例的附图,对本发明实施例的技术方案进行清楚、完整地描述。显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于所描述的本发明的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,高光谱图像自适应光谱聚焦波段选择方法,包括如下步骤:
S1、在光谱仪聚焦成像之前,分别利用三种波段选择算法对地物的整个光谱域高光谱原始数据进行处理,将每种算法的结果按从大到小顺序分别排列,设定波段选择个数N,选出前N个波段作为最佳波段组合,其中所述三种波段选择算法包括基于信息量的自适应波段选择法、基于空间维类间可分性的离散度算法和基于光谱维的类间可分性的光谱角制图(SAM)算法;
S2、利用独立成分分析(ICA)波段评价函数分别对三种波段选择算法选出的最佳波段组合进行评估,设定J阈值,求出它们的评价结果,选择结果最大的波段组合作为最优波段组合,其中,所述独立成分分析(ICA)波段评价函数首先利用FastICA算法求出通过所述三种波段选择算法选出的最佳波段组合的独立成分矩阵以实现目标信息与复杂背景信息的分离,然后采用HOS-ICA算法对独立成分排序,计算各个独立成分的J值,设定J阈值,计算独立成分中J满足阈值的数目占总数的百分比,百分比越大,说明目标信息越多,波段选择越精确最后用光谱仪聚焦到最优波段光谱通道成像。
在步骤S1中,所述自适应波段选择法结合了波段间的光谱相关性和空间相关性,并构造了相应的数学模型如下:
其中:σi为第i个波段的标准差;E{}为数学期望;Ri-1,i和Ri,i+1是第i个波段与前后两波段的相关系数,相关系数越小,表明两个波段数据之间的独立性越高、冗余度也越小;Ii是第i幅图像的指数大小;M、N分别是图像的行、列像素数,fi(x,y)是第i幅图像,是第i幅图像的像素平均值;
根据以上公式求出各个波段指数,然后对各个波段指数进行由大到小的排列,选出前N个波段作为采用所述自适应波段选择法得到的最佳波段组合。
在步骤S1中,所述离散度算法的公式为:
其中:μi,μj分别为地物类i与地物类j对应的样本区的光谱均值矢量,∑i,∑j分别类i,j在任意两波段上的协方差矩阵,tr[C]为矩阵C对角线的元素和;
通过计算两类对在任意两个波段组合上的离散度距离,按从大到小顺序排列,取前N个波段组合作为采用所述离散度算法得到的最佳波段组合。
在步骤S1中,所述光谱角制图(SAM)算法的公式为:
其中,xi和xj为两类地物i和j光谱矢量,α为光谱夹角,光谱夹角α越大,说明两个类别间相似性越小,可分性越好,计算两类地物在任意两个波段组合上的光谱角度值并按从大到小顺序排序,取前N个波段组合作为该两类地物采用光谱角制图(SAM)算法得到的最佳波段组合。
在步骤S2中,所述FastICA算法包括如下步骤:
(1)高光谱图像用矩阵X去均值和白化,得其中V是由高光谱图像样本协方差阵∑x的特征值构成的对角阵,U为对应特征向量组成的正交阵,
(2)k=0,选择任意L阶正交矩阵作为W0;
(3)k=k+1,对于i∈{1,2,L,L},可得:
wi(k)=E{zg(wi(k-1)Tz)}-E{g′(wi(k-1)Tz)}wi(k-1)
其中g(t)=te-i/2,g'(·)是g(·)的导数,Wk=[w1(k),w2(k),L wL(k)];
(4)Wk正交化特征分解:则满足I是单位阵;
(5)给定阈值ε(设定为10-6),若满足:
其中返回步骤(3);否则计算S即是最终求得的独立成分。
在步骤S2中,所述HOS-ICA算法如下:
对每一幅独立成分图像si,i∈{1,2,L,L},计算
其中是像元n在si的分量,按照J(si)的大小对独立成分降序排列。
如图2-4所示,案例图像是AVIRIS高光谱数据92AV3C,拍摄于1992年6月美国印第安纳州印度松树测试地。图像数据有145×145个像素,空间分辨率为20m/pixel,有220个波段。真实的地物由10366个像素组成。由于实验数据去除了水吸收波段104~108和150~162,课题用202个波段进行实验分析。此图像中有16种不同的地物类别,其中6种样本过少,不具代表性,所以数据中选择了Corn-notill,Corn-min,Corn-Pasture,Grass/Tress,Hay-windrowed,Soybeans-notill,Soybeans-min,Soybeans-clean,Woods,stone-steeltowers共十种类别地物。本案例选stone-steel towers作为目标地物,因为其光谱与植被光谱有较大差别,占据的像元个数相对较少(95个),图像信息如图2-4所示。
如图5所示为高光谱原始图像上十种地物的连续光谱曲线,其中标记为黄色曲线的为目标地物曲线,X轴代表波段数,Y坐标代表DN值。
一、波段选择结果
表1为自适应波段选择算法选择的35个最佳波段及波段指数值,按从大到小排列:
表2为离散度算法选择的最佳波段,取目标地物与其他每类地物之间4对可分性最大的波段组合,每两类之间选择的4对波段按离散度距离从大到小排列:
表3为SAM算法选择的最佳波段,取目标地物与其他每类地物之间17对可分性最大的波段组合,每两类之间选择17对波段按光谱角距离从大到小排列:
表4为三种波段选择算法结果(每种算法选择35个波段)
如图6所示为自适应波段选择算法最佳波段聚焦成的像。
如图7所示为离散度算法最佳波段聚焦成的像。
如图8所示为SAM算法最佳波段聚焦成的像。
二、ICA波段评价函数评价结果
表5为ICA评价函数对各个算法最佳波动评估结果(%):
由表5可以得知,这三种算法中离散度算法选择的波段准确率最高,最有利于目标地物的探测和识别,其次为SAM算法,最后是自适应波段选择算法;针对这些地物成像,自适应光谱聚焦技术将离散度算法选出的波段组合作为最佳波段,将成像系统中的可调谐滤光组件自适应调谐到最佳波段的光谱通道成像。
基于光谱聚焦技术的自适应波段选择算法,设计了波段选择评价函数,提出了基于光谱聚焦技术的总体技术方案。通过实验对92AV3C高光谱数据进行最佳波段的选择,最后成像仪对最佳波段的光谱聚焦成像。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,本领域普通技术人员对本发明的技术方案所做的其他修改或者等同替换,只要不脱离本发明技术方案的精神和范围,均应涵盖在本发明的权利要求范围当中。
Claims (6)
1.高光谱图像自适应光谱聚焦波段选择方法,其特征在于,包括如下步骤:
S1、在光谱仪聚焦成像之前,分别利用三种波段选择算法对地物的整个光谱域高光谱原始数据进行处理,将每种算法的结果按从大到小顺序分别排列,设定波段选择个数N,选出前N个波段作为最佳波段组合,其中所述三种波段选择算法包括基于信息量的自适应波段选择法、基于空间维类间可分性的离散度算法和基于光谱维的类间可分性的光谱角制图(SAM)算法;
S2、利用独立成分分析(ICA)波段评价函数分别对三种波段选择算法选出的最佳波段组合进行评估,设定J阈值,求出它们的评价结果,选择结果最大的波段组合作为最优波段组合,其中,所述独立成分分析(ICA)波段评价函数首先利用FastICA算法求出通过所述三种波段选择算法选出的最佳波段组合的独立成分矩阵以实现目标信息与复杂背景信息的分离,然后采用HOS-ICA算法对独立成分排序,计算各个独立成分的J值,设定J阈值,计算独立成分中J满足阈值的数目占总数的百分比,百分比越大,说明目标信息越多,波段选择越精确最后用光谱仪聚焦到最优波段光谱通道成像。
2.根据权利要求1所述的高光谱图像自适应光谱聚焦波段选择方法,其特征在于:在步骤S1中,所述自适应波段选择法结合了波段间的光谱相关性和空间相关性,并构造了相应的数学模型如下:
其中:σi为第i个波段的标准差;E{ }为数学期望;Ri-1,i和Ri,i+1是第i个波段与前后两波段的相关系数,相关系数越小,表明两个波段数据之间的独立性越高、冗余度也越小;Ii是第i幅图像的指数大小;M、N分别是图像的行、列像素数,fi(x,y)是第i幅图像,是第i幅图像的像素平均值;
根据以上公式求出各个波段指数,然后对各个波段指数进行由大到小的排列,选出前N个波段作为采用所述自适应波段选择法得到的最佳波段组合。
3.根据权利要求1所述的高光谱图像自适应光谱聚焦波段选择方法,其特征在于:在步骤S1中,所述离散度算法的公式为:
其中:μi,μj分别为地物类i与地物类j对应的样本区的光谱均值矢量,∑i,∑j分别为类i,j在任意两波段上的协方差矩阵,tr[C]为矩阵C对角线的元素和;
通过计算两类对在任意两个波段组合上的离散度距离,按从大到小顺序排列,取前N个波段组合作为采用所述离散度算法得到的最佳波段组合。
4.根据权利要求1所述的高光谱图像自适应光谱聚焦波段选择方法,其特征在于:在步骤S1中,所述光谱角制图(SAM)算法的公式为:
其中,xi和xj为两类地物i和j光谱矢量,α为光谱夹角,光谱夹角α越大,说明两个类别间相似性越小,可分性越好,计算两类地物在任意两个波段组合上的光谱角度值并按从大到小顺序排序,取前N个波段组合作为该两类地物采用光谱角制图(SAM)算法得到的最佳波段组合。
5.根据权利要求1所述的高光谱图像自适应光谱聚焦波段选择方法,其特征在于:在步骤S2中,所述FastICA算法包括如下步骤:
(1)高光谱图像用矩阵X去均值和白化,得其中V是由高光谱图像样本协方差阵∑x的特征值构成的对角阵,U为对应特征向量组成的正交阵,
(2)k=0,选择任意L阶正交矩阵作为W0;
(3)k=k+1,对于i∈{1,2,L,L},可得:
wi(k)=E{zg(wi(k-1)Tz)}-E{g'(wi(k-1)Tz)}wi(k-1)
其中g(t)=te-i/2,g'(·)是g(·)的导数,Wk=[w1(k),w2(k),L wL(k)];
(4)Wk正交化特征分解:则满足I是单位阵;
(5)给定阈值ε(设定为10-6),若满足:
其中返回步骤(3);否则计算即是最终求得的独立成分。
6.根据权利要求1所述的高光谱图像自适应光谱聚焦波段选择方法,其特征在于:在步骤S2中,所述HOS-ICA算法如下:
对每一幅独立成分图像si,i∈{1,2,L,L},计算
其中是像元n在si的分量,按照J(si)的大小对独立成分降序排列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810359008.5A CN108596077A (zh) | 2018-04-20 | 2018-04-20 | 高光谱图像自适应光谱聚焦波段选择方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810359008.5A CN108596077A (zh) | 2018-04-20 | 2018-04-20 | 高光谱图像自适应光谱聚焦波段选择方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108596077A true CN108596077A (zh) | 2018-09-28 |
Family
ID=63614086
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810359008.5A Pending CN108596077A (zh) | 2018-04-20 | 2018-04-20 | 高光谱图像自适应光谱聚焦波段选择方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108596077A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110781831A (zh) * | 2019-10-28 | 2020-02-11 | 北京环境特性研究所 | 基于自适应的高光谱最优波段选择方法和装置 |
CN110852300A (zh) * | 2019-11-19 | 2020-02-28 | 中煤航测遥感集团有限公司 | 地物分类的方法、地图的绘制方法、装置及电子设备 |
CN111597951A (zh) * | 2020-05-12 | 2020-08-28 | 中国电子科技集团公司第五十四研究所 | 一种面向目标检测的高光谱图像特征选择方法 |
CN112330622A (zh) * | 2020-10-30 | 2021-02-05 | 中国电子科技集团公司第五十四研究所 | 一种基于地物最大区分度的高光谱图像波段选择方法 |
CN112329792A (zh) * | 2020-10-30 | 2021-02-05 | 中国电子科技集团公司第五十四研究所 | 一种基于光谱角度的高光谱图像目标特征提取方法 |
CN113177488A (zh) * | 2021-05-07 | 2021-07-27 | 华北理工大学 | 基于最佳指数波段组合的高光谱图像波段选择方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101101234A (zh) * | 2007-06-25 | 2008-01-09 | 北京航空航天大学 | 一种实现高光谱地物精细分类的独立成分分析全局搜索方法 |
CN101908138A (zh) * | 2010-06-30 | 2010-12-08 | 北京航空航天大学 | 基于噪声独立成分分析的合成孔径雷达图像目标识别方法 |
CN103150706A (zh) * | 2013-01-05 | 2013-06-12 | 山东华戎信息产业有限公司 | 一种改进的小波ica去噪方法 |
CN103714354A (zh) * | 2014-01-16 | 2014-04-09 | 西安电子科技大学 | 基于量子粒子群算法的高光谱图像波段选择方法 |
CN105678342A (zh) * | 2016-02-24 | 2016-06-15 | 江南大学 | 基于联合偏度的玉米种子高光谱图像波段选择方法 |
CN107220661A (zh) * | 2017-05-16 | 2017-09-29 | 沈阳航空航天大学 | 基于多模态融合的光谱波段选择方法 |
-
2018
- 2018-04-20 CN CN201810359008.5A patent/CN108596077A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101101234A (zh) * | 2007-06-25 | 2008-01-09 | 北京航空航天大学 | 一种实现高光谱地物精细分类的独立成分分析全局搜索方法 |
CN101908138A (zh) * | 2010-06-30 | 2010-12-08 | 北京航空航天大学 | 基于噪声独立成分分析的合成孔径雷达图像目标识别方法 |
CN103150706A (zh) * | 2013-01-05 | 2013-06-12 | 山东华戎信息产业有限公司 | 一种改进的小波ica去噪方法 |
CN103714354A (zh) * | 2014-01-16 | 2014-04-09 | 西安电子科技大学 | 基于量子粒子群算法的高光谱图像波段选择方法 |
CN105678342A (zh) * | 2016-02-24 | 2016-06-15 | 江南大学 | 基于联合偏度的玉米种子高光谱图像波段选择方法 |
CN107220661A (zh) * | 2017-05-16 | 2017-09-29 | 沈阳航空航天大学 | 基于多模态融合的光谱波段选择方法 |
Non-Patent Citations (4)
Title |
---|
何元磊 等: "利用独立成分分析的高光谱图像波段选择方法", 《红外与激光工程》 * |
刘建平 等: "高光谱遥感数据解译的最佳波段选择方法研究", 《中国科学院研究生院学报》 * |
刘春红 等: "一种新的高光谱遥感图像降维方法", 《中国图象图形学报》 * |
赵学军: "《高光谱图像压缩与融合技术》", 31 July 2015, 北京邮电大学出版社 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110781831A (zh) * | 2019-10-28 | 2020-02-11 | 北京环境特性研究所 | 基于自适应的高光谱最优波段选择方法和装置 |
CN110852300A (zh) * | 2019-11-19 | 2020-02-28 | 中煤航测遥感集团有限公司 | 地物分类的方法、地图的绘制方法、装置及电子设备 |
CN111597951A (zh) * | 2020-05-12 | 2020-08-28 | 中国电子科技集团公司第五十四研究所 | 一种面向目标检测的高光谱图像特征选择方法 |
CN112330622A (zh) * | 2020-10-30 | 2021-02-05 | 中国电子科技集团公司第五十四研究所 | 一种基于地物最大区分度的高光谱图像波段选择方法 |
CN112329792A (zh) * | 2020-10-30 | 2021-02-05 | 中国电子科技集团公司第五十四研究所 | 一种基于光谱角度的高光谱图像目标特征提取方法 |
CN112329792B (zh) * | 2020-10-30 | 2022-12-09 | 中国电子科技集团公司第五十四研究所 | 一种基于光谱角度的高光谱图像目标特征提取方法 |
CN113177488A (zh) * | 2021-05-07 | 2021-07-27 | 华北理工大学 | 基于最佳指数波段组合的高光谱图像波段选择方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108596077A (zh) | 高光谱图像自适应光谱聚焦波段选择方法 | |
Pierna et al. | Combination of support vector machines (SVM) and near‐infrared (NIR) imaging spectroscopy for the detection of meat and bone meal (MBM) in compound feeds | |
CN110084159A (zh) | 基于联合多级空谱信息cnn的高光谱图像分类方法 | |
CN101151623B (zh) | 对样本图像的特征进行分类的方法和设备 | |
CN109145992A (zh) | 协作生成对抗网络和空谱联合的高光谱图像分类方法 | |
CN109376804A (zh) | 基于注意力机制和卷积神经网络高光谱遥感图像分类方法 | |
CN108460391B (zh) | 基于生成对抗网络的高光谱图像无监督特征提取方法 | |
CN103886336B (zh) | 基于稀疏自动编码器的极化sar图像分类方法 | |
CN105718942B (zh) | 基于均值漂移和过采样的高光谱图像不平衡分类方法 | |
CN104751179B (zh) | 一种基于博弈论的多目标高光谱遥感影像波段选择方法 | |
CN104239902B (zh) | 基于非局部相似性和稀疏编码的高光谱图像分类方法 | |
CN105913092B (zh) | 基于子空间学习的图正则高光谱图像波段选择方法 | |
CN101488188A (zh) | 基于混合核函数的svm分类器的sar图像分类方法 | |
CN107895139A (zh) | 一种基于多特征融合的sar图像目标识别方法 | |
CN105023006B (zh) | 基于增强型非参数最大边缘准则的人脸识别方法 | |
CN108446582A (zh) | 基于纹理特征和仿射传播聚类算法的高光谱图像分类方法 | |
CN110533077A (zh) | 用于高光谱图像分类的形状自适应卷积深度神经网络方法 | |
CN103886334A (zh) | 一种多指标融合的高光谱遥感影像降维方法 | |
CN107194314B (zh) | 融合模糊2dpca和模糊2dlda的人脸识别方法 | |
CN108154094A (zh) | 基于子区间划分的高光谱图像非监督波段选择方法 | |
CN109858557A (zh) | 一种新的高光谱图像数据半监督分类算法 | |
CN109544538A (zh) | 小麦赤霉病病害等级分级方法及装置 | |
CN111680579B (zh) | 一种自适应权重多视角度量学习的遥感图像分类方法 | |
CN104699781B (zh) | 基于双层锚图散列的sar图像检索方法 | |
CN106156728B (zh) | 基于光谱空间分解和噪声成分分析的超光谱图像降维方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180928 |
|
RJ01 | Rejection of invention patent application after publication |